买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中山大学申请的专利基于持续学习的图像分类方法以及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114387486B 。

龙图腾网通过国家知识产权局官网在2025-05-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210061145.7，技术领域涉及：G06V10/774；该发明授权基于持续学习的图像分类方法以及装置是由王瑞轩;刘思佳;陈康豪设计研发完成，并于2022-01-19向国家知识产权局提交的专利申请。

本基于持续学习的图像分类方法以及装置在说明书摘要公布了：本发明公开了一种基于持续学习的图像分类方法以及装置，方法包括：获取待分类的目标图像，所述待分类的目标图像包括一部分存储的旧类数据图像和新增类别的图像；将待分类的目标图像输入到预先构建的图像分类模型并得到分类特征向量；根据分类器和所述分类特征向量，对图像样本进行训练，得到目标图像的分类结果；根据训练所得到的相关参数，对所述图像样本进行删除和保留。本发明能够自适应地通过权衡模型的稳定性和可塑性来缓解基于持续学习的图像分类网络的灾难性遗忘问题，以实现在保持不遗忘旧知识的情况下，有效提高新类图像的分类准确率，最终使得模型能够像人一样的学习。

本发明授权基于持续学习的图像分类方法以及装置在权利要求书中公布了：1.基于持续学习的图像分类方法，其特征在于，包括下述步骤：获取待分类的目标图像，所述待分类的目标图像包括一部分存储的旧类数据图像和新增类别的图像；将待分类的目标图像输入到预先构建的图像分类模型并得到分类特征向量；所述的图像分类模型是通过图像增广技术CutMix解决图像不均衡的问题，依靠自适应集成的知识蒸馏模块缓解旧知识的遗忘，并通过不确定性的估计对模型进行正则化进行可塑性与稳定性的权衡而得到的神经网络模型；根据图像分类模型和所述分类特征向量，对图像样本进行训练，得到目标图像的分类结果；根据训练所得到的相关参数，对所述图像样本进行删除和保留；所述图像分类模型的构建如下：获取待分类的目标图像样本和上一阶段的旧图像分类模型；所述旧图像分类模型是基于目标图像样本中旧类图像训练得到的神经网络模型；将所述待分类的目标图像首先通过数据增广CutMix技术生成混合样本得到新旧类均衡的目标图像；将所述新旧类均衡的目标图像输入所述旧图像分类模型，得到第一样本特征向量及其第一分类概率；将所述均衡目标图像输入本阶段新图像分类模型，得到第二样本特征向量及其所属的第二分类概率；所述本阶段新图像分类模型为由所述上一阶段旧图像分类模型初始化得到的神经网络模型；根据所述第一样本特征向量及其所属的第一分类概率、所述第二样本特征向量及其所属的第二分类概率、以及预设的判别器，利用自适应集成的知识蒸馏的方式，对所述本阶段新图像分类模型进行训练，并通过不确定性评估进行正则化，得到本阶段新图像分类模型；将所述新旧类均衡的目标图像输入所述旧图像分类模型，得到第一样本特征向量及其第一分类概率；将所述均衡目标图像输入本阶段新图像分类模型，得到第二样本特征向量及其所属的第二分类概率；所述本阶段新图像分类模型为由所述上一阶段旧图像分类模型初始化得到的神经网络模型，包括：计算不同层次的第一样本特征图通过自适应集成与每一个层次的第二样本特征图之间的均方差损失，作为第一目标函数；第一目标函数用于提升所述旧图像分类模型与所述新图像分类模型输出结果之间的相似度；计算所述第一样本特征向量与所述第二样本特征向量之间的余弦相似度，作为第二目标函数；第二目标函数用于提升所述旧图像分类模型与所述新图像分类模型输出结果之间的相似度；计算所述第二分类概率与所述均衡目标图像对应的真实分类结果之间的不确定性正则化交叉熵损失，作为第三目标函数；第三目标函数用于在提升其输出结果与样本图像对应真实分类结果的相似度的同时，权衡所述新图像分类模型的稳定性与可塑性，既保证其在旧类目标图像的效果，又提升其在新类目标图像上的训练效果；根据所述的第一目标函数、第二目标函数以及第三目标函数对所述的新图像分类模型进行训练，得到最终的基于持续学习的图像分类模型；计算不同层次的第一样本特征图通过自适应集成与每一个层次的第二样本特征图之间的均方差损失，作为第一目标函数；第一目标函数用于提升所述旧图像分类模型与所述新图像分类模型输出结果之间的相似度，包括：将所述的旧图像分类模型中每个卷积块的输出第一样本特征图集通过特定的卷积层转换为新的第一样本特征图集；将所有转换后的第一样本特征图集分别通过下采样或上采样后与所述新图像分类模型中块的输出的第二样本特征图的空间大小相同；计算所述的下采样和上采样后的第一样本特征图被聚合后输入到卷积层中生成一组块级第一注意力图；将所述的聚合后的第一样本特征图基于第一注意力图被逐块加权并相加；将所述的加权求和后的第一样本特征图被输入到最后一个卷积层，其输出的形状与新图像分类模型中特定块的形状相同。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。